[深度学习] amozn dataset fasttext

说明：模型结构很简单，文本输入x，先进行embedding，然后将整句话的每个单词向量计算平均值，最后接fc+softmot进行分类。官方论文中的关键点： 1）不使用预训练word2vec，直接利用标签样本进行学习词嵌入矩阵，也许是因为我们最终要通过对词向量做平均得到句向量，所以不追求单个词向量性能？ 2）fc隐层输出可作为句向量，供其他任务使用；
<zhaolanyi> 在 上传 | 大小：687865856

[深度学习] yahoo answer scv dataset

说明：模型结构很简单，文本输入x，先进行embedding，然后将整句话的每个单词向量计算平均值，最后接fc+softmot进行分类。官方论文中的关键点： 1）不使用预训练word2vec，直接利用标签样本进行学习词嵌入矩阵，也许是因为我们最终要通过对词向量做平均得到句向量，所以不追求单个词向量性能？ 2）fc隐层输出可作为句向量，供其他任务使用；
<zhaolanyi> 在 上传 | 大小：318767104

[深度学习] 火焰数据集图片以及xml文件.rar

说明：火焰数据集图片以及xml文件，两者相互匹配，可以通过深度学习keras-yolo3框架直接训练成火焰模型。
<liaoqingjian> 在 上传 | 大小：3145728

[深度学习] jiaotongbizozhi.rar

说明：python的简单文字识别，通过机器式学习算法完成对图像的识别，并生成相应的文字序列 (Through the machine learning algorithm, the image recognition is completed and the corresponding text sequence is generated.)
<weixin_51071456> 在 上传 | 大小：1048576

[机器学习] 《标签噪声表示学习的研究:过去、现在和将来》

说明：经典的机器学习隐含地假设训练数据的标签是从一个干净的分布中采样的，这对于真实的场景来说限制太大了。然而，基于统计学习的方法可能不能很好地训练深度学习模型。因此，迫切需要设计标签噪声表示学习(LNRL)方法对带噪声标签的深度模型进行鲁棒训练。为了充分了解LNRL，我们进行了综述。
<syp_net> 在 上传 | 大小：3145728

[机器学习] 围棋pachi软件，exe

说明：围棋pachi软件，可以安装包，也可以采用命令行模式进行下棋，水平大概在野狐3-6段。采用mcts，深度学习
<weixin_40999066> 在 上传 | 大小：26214400

[机器学习] cudart64.dll大合集

说明：cudart64.dll大合集 tensorflow运行时报错cudart64_xxx.dll文件无法打开 将该文件复制到cuda安装文件夹bin下
<weixin_40999066> 在 上传 | 大小：858783744

[机器学习] Akerlof - 1970 - Analysis II

说明：Akerlof - 1970 - Analysis II Akerlof 经典大作第二册
<weixin_40742304> 在 上传 | 大小：3145728

[深度学习] cudnn-11.0-windows-x64-v8.0.4.30.zip

说明：cudnn-11.0-windows-x64-v8.0.4.30.zip cudnn-11.0-windows-x64-v8.0.4.30.zip
<u012219045> 在 上传 | 大小：500170752

[深度学习] cudnn-11.0-windows-x64-v8.0.3.33.zip

说明：cudnn-11.0-windows-x64-v8.0.3.33.zip cudnn-11.0-windows-x64-v8.0.3.33.zip
<u012219045> 在 上传 | 大小：486539264

[深度学习] tensorflow_cpu-1.15.0-cp36-cp36m-manylinux2010_x86_64.whl

说明：tensorflow_cpu-1.15.0-cp36-cp36m-manylinux2010_x86_64.whl。linux、CPU版本。
<qq_35975447> 在 上传 | 大小：110100480

[机器学习] code_document.zip

说明：LTR（Learning to rank）是一种监督学习（Supervised Learning）的排序方法，已经被广泛应用到推荐与搜索等领域。传统的排序方法通过构造相关度函数，按照相关度进行排序。然而，影响相关度的因素很多，比如tf，idf等。传统的排序方法，很难融合多种因数，比如向量空间模型以tf*idf作为权重构建相关度函数，就很难利用其他信息了，并且如果模型中参数比较多，也会使得调参非常困难，而且很可能会出现过拟合现象。LTR采用机器学习很好地解决了这一问题。机器学习方法很容易融合多种特
<guhongpiaoyi> 在 上传 | 大小：6291456